Submit Search
Upload
Google Colaboratoryを使って、MNISTでディープラニング!
•
1 like
•
399 views
Yutaka Terasawa
Follow
AI、人工知能、機械学習、深層学習
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 21
Download now
Download to read offline
Recommended
20190306オープニング
20190306オープニング
Yutaka Terasawa
2012年ネットビジネス研究会in新潟
2012年ネットビジネス研究会in新潟
新潟コンサルタント横田秀珠
統計データを楽しむ 「新しいアクティブ・ラーニング教材」の提案
統計データを楽しむ 「新しいアクティブ・ラーニング教材」の提案
E2D3.org
「2018年の目標と運営方針」を議論するための「2017年の振り返り」
「2018年の目標と運営方針」を議論するための「2017年の振り返り」
E2D3.org
20130916第3回テキストマイニングシンポジウム資料(浅野)
20130916第3回テキストマイニングシンポジウム資料(浅野)
Hirosuke Asano
20181114_AI×Analytics×女子部 オープニング
20181114_AI×Analytics×女子部 オープニング
Yutaka Terasawa
20180717 opening
20180717 opening
Yutaka Terasawa
A04 角田研究室4 倉内黎
A04 角田研究室4 倉内黎
AOMORI SIX
Recommended
20190306オープニング
20190306オープニング
Yutaka Terasawa
2012年ネットビジネス研究会in新潟
2012年ネットビジネス研究会in新潟
新潟コンサルタント横田秀珠
統計データを楽しむ 「新しいアクティブ・ラーニング教材」の提案
統計データを楽しむ 「新しいアクティブ・ラーニング教材」の提案
E2D3.org
「2018年の目標と運営方針」を議論するための「2017年の振り返り」
「2018年の目標と運営方針」を議論するための「2017年の振り返り」
E2D3.org
20130916第3回テキストマイニングシンポジウム資料(浅野)
20130916第3回テキストマイニングシンポジウム資料(浅野)
Hirosuke Asano
20181114_AI×Analytics×女子部 オープニング
20181114_AI×Analytics×女子部 オープニング
Yutaka Terasawa
20180717 opening
20180717 opening
Yutaka Terasawa
A04 角田研究室4 倉内黎
A04 角田研究室4 倉内黎
AOMORI SIX
20180730 ds womens
20180730 ds womens
Rio Kurihara
本当に知ってる!? リアルなデータ分析の世界~サイカのエンジニアが語る、話題の技術の「いま」と「未来」~
本当に知ってる!? リアルなデータ分析の世界~サイカのエンジニアが語る、話題の技術の「いま」と「未来」~
Hisao Soyama
Instagram キャンペーン での インフルエンサー 活用
Instagram キャンペーン での インフルエンサー 活用
Yuriko Kai
Company Overview of GaiaX for Students
Company Overview of GaiaX for Students
Kazuyuki Todo
(授業後)人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
(授業後)人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
schoowebcampus
人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
schoowebcampus
楽天のデータサイエンティスト@SAS Forum 2019
楽天のデータサイエンティスト@SAS Forum 2019
Rakuten Group, Inc.
企業における統計学入門
企業における統計学入門
antibayesian 俺がS式だ
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
株式会社Consumer first
People analyticsをアカデミックの視点で見る~組織行動論とpeople analyticsの違い~
People analyticsをアカデミックの視点で見る~組織行動論とpeople analyticsの違い~
KeiHasegawa2
20180807 #SNSとどう向き合うべきか スライド
20180807 #SNSとどう向き合うべきか スライド
Koichi Shimabukuro
Thinking datascientist itself
Thinking datascientist itself
HiroyukiOtsubo
RPAからAIを使う!~ブレインロボとCognitive Servicesの連携開発~_IoTビジネス共創ラボ 第9回 勉強会
RPAからAIを使う!~ブレインロボとCognitive Servicesの連携開発~_IoTビジネス共創ラボ 第9回 勉強会
IoTビジネス共創ラボ
スタートアップのためのリアルなブランド戦略 先生:山口 義宏・菅原 敬
スタートアップのためのリアルなブランド戦略 先生:山口 義宏・菅原 敬
schoowebcampus
Sns saleshub ver
Sns saleshub ver
naooyamada
【Instagram活用セミナー資料】Instagram x ネットショップの可能性
【Instagram活用セミナー資料】Instagram x ネットショップの可能性
Yuriko Kai
ビッグデータを活用して、サービスを成長させる技術 先生:古賀 亘
ビッグデータを活用して、サービスを成長させる技術 先生:古賀 亘
schoowebcampus
Google アナリティクスの基礎的な理解のために
Google アナリティクスの基礎的な理解のために
Takashi Nagai
医療関係サイトにおけるマーケティングオートメーション動向
医療関係サイトにおけるマーケティングオートメーション動向
広告制作会社
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
株式会社MonotaRO Tech Team
時系列データの扱い方
時系列データの扱い方
Yutaka Terasawa
転移学習やってみた!
転移学習やってみた!
Yutaka Terasawa
More Related Content
Similar to Google Colaboratoryを使って、MNISTでディープラニング!
20180730 ds womens
20180730 ds womens
Rio Kurihara
本当に知ってる!? リアルなデータ分析の世界~サイカのエンジニアが語る、話題の技術の「いま」と「未来」~
本当に知ってる!? リアルなデータ分析の世界~サイカのエンジニアが語る、話題の技術の「いま」と「未来」~
Hisao Soyama
Instagram キャンペーン での インフルエンサー 活用
Instagram キャンペーン での インフルエンサー 活用
Yuriko Kai
Company Overview of GaiaX for Students
Company Overview of GaiaX for Students
Kazuyuki Todo
(授業後)人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
(授業後)人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
schoowebcampus
人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
schoowebcampus
楽天のデータサイエンティスト@SAS Forum 2019
楽天のデータサイエンティスト@SAS Forum 2019
Rakuten Group, Inc.
企業における統計学入門
企業における統計学入門
antibayesian 俺がS式だ
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
株式会社Consumer first
People analyticsをアカデミックの視点で見る~組織行動論とpeople analyticsの違い~
People analyticsをアカデミックの視点で見る~組織行動論とpeople analyticsの違い~
KeiHasegawa2
20180807 #SNSとどう向き合うべきか スライド
20180807 #SNSとどう向き合うべきか スライド
Koichi Shimabukuro
Thinking datascientist itself
Thinking datascientist itself
HiroyukiOtsubo
RPAからAIを使う!~ブレインロボとCognitive Servicesの連携開発~_IoTビジネス共創ラボ 第9回 勉強会
RPAからAIを使う!~ブレインロボとCognitive Servicesの連携開発~_IoTビジネス共創ラボ 第9回 勉強会
IoTビジネス共創ラボ
スタートアップのためのリアルなブランド戦略 先生:山口 義宏・菅原 敬
スタートアップのためのリアルなブランド戦略 先生:山口 義宏・菅原 敬
schoowebcampus
Sns saleshub ver
Sns saleshub ver
naooyamada
【Instagram活用セミナー資料】Instagram x ネットショップの可能性
【Instagram活用セミナー資料】Instagram x ネットショップの可能性
Yuriko Kai
ビッグデータを活用して、サービスを成長させる技術 先生:古賀 亘
ビッグデータを活用して、サービスを成長させる技術 先生:古賀 亘
schoowebcampus
Google アナリティクスの基礎的な理解のために
Google アナリティクスの基礎的な理解のために
Takashi Nagai
医療関係サイトにおけるマーケティングオートメーション動向
医療関係サイトにおけるマーケティングオートメーション動向
広告制作会社
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
株式会社MonotaRO Tech Team
Similar to Google Colaboratoryを使って、MNISTでディープラニング!
(20)
20180730 ds womens
20180730 ds womens
本当に知ってる!? リアルなデータ分析の世界~サイカのエンジニアが語る、話題の技術の「いま」と「未来」~
本当に知ってる!? リアルなデータ分析の世界~サイカのエンジニアが語る、話題の技術の「いま」と「未来」~
Instagram キャンペーン での インフルエンサー 活用
Instagram キャンペーン での インフルエンサー 活用
Company Overview of GaiaX for Students
Company Overview of GaiaX for Students
(授業後)人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
(授業後)人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
人気アプリのマーケティングの現場から学ぶ - 効果的なPR施策を考えよう
楽天のデータサイエンティスト@SAS Forum 2019
楽天のデータサイエンティスト@SAS Forum 2019
企業における統計学入門
企業における統計学入門
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
大切なお客様を、一生のお客様に ~自社・競合データから導く、結果につながるデータ分析の最新事例~
People analyticsをアカデミックの視点で見る~組織行動論とpeople analyticsの違い~
People analyticsをアカデミックの視点で見る~組織行動論とpeople analyticsの違い~
20180807 #SNSとどう向き合うべきか スライド
20180807 #SNSとどう向き合うべきか スライド
Thinking datascientist itself
Thinking datascientist itself
RPAからAIを使う!~ブレインロボとCognitive Servicesの連携開発~_IoTビジネス共創ラボ 第9回 勉強会
RPAからAIを使う!~ブレインロボとCognitive Servicesの連携開発~_IoTビジネス共創ラボ 第9回 勉強会
スタートアップのためのリアルなブランド戦略 先生:山口 義宏・菅原 敬
スタートアップのためのリアルなブランド戦略 先生:山口 義宏・菅原 敬
Sns saleshub ver
Sns saleshub ver
【Instagram活用セミナー資料】Instagram x ネットショップの可能性
【Instagram活用セミナー資料】Instagram x ネットショップの可能性
ビッグデータを活用して、サービスを成長させる技術 先生:古賀 亘
ビッグデータを活用して、サービスを成長させる技術 先生:古賀 亘
Google アナリティクスの基礎的な理解のために
Google アナリティクスの基礎的な理解のために
医療関係サイトにおけるマーケティングオートメーション動向
医療関係サイトにおけるマーケティングオートメーション動向
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
More from Yutaka Terasawa
時系列データの扱い方
時系列データの扱い方
Yutaka Terasawa
転移学習やってみた!
転移学習やってみた!
Yutaka Terasawa
20181114 r
20181114 r
Yutaka Terasawa
統計の基礎を楽しく学ぼうー箱ひげ図編ー
統計の基礎を楽しく学ぼうー箱ひげ図編ー
Yutaka Terasawa
20181114 TDAを使ったタイタニック生存者分析
20181114 TDAを使ったタイタニック生存者分析
Yutaka Terasawa
20180717 grid
20180717 grid
Yutaka Terasawa
20180717 unsupervised learning
20180717 unsupervised learning
Yutaka Terasawa
20180717 zeal
20180717 zeal
Yutaka Terasawa
20180717 the average
20180717 the average
Yutaka Terasawa
Wg for ai_dev_ops_20180713
Wg for ai_dev_ops_20180713
Yutaka Terasawa
Wg for edu_20180713
Wg for edu_20180713
Yutaka Terasawa
More from Yutaka Terasawa
(11)
時系列データの扱い方
時系列データの扱い方
転移学習やってみた!
転移学習やってみた!
20181114 r
20181114 r
統計の基礎を楽しく学ぼうー箱ひげ図編ー
統計の基礎を楽しく学ぼうー箱ひげ図編ー
20181114 TDAを使ったタイタニック生存者分析
20181114 TDAを使ったタイタニック生存者分析
20180717 grid
20180717 grid
20180717 unsupervised learning
20180717 unsupervised learning
20180717 zeal
20180717 zeal
20180717 the average
20180717 the average
Wg for ai_dev_ops_20180713
Wg for ai_dev_ops_20180713
Wg for edu_20180713
Wg for edu_20180713
Google Colaboratoryを使って、MNISTでディープラニング!
1.
#aiagirls Google Colaboratoryを使って、 MNISTでディープラーニング! アサヒビジネスソリューションズ株式会社 宮川 彩
2.
自己紹介 1 名前:宮川 彩 所属:アサヒビジネスソリューションズ株式会社 好きなお酒:ビール、日本酒 好きなこと:スノーボード 2016年からアサヒグループのデータを分析するチームに所属し、 SNS分析や機械学習を利用したデータ解析作業を実施しています。
3.
最近行ったおすすめのゲレンデ 2 ロッテアライリゾート(新潟県妙高市)
4.
宣伝:AI × Analytics
× 女子部 3 ■AI×Analytics×女子部 コミュニティページ https://aigirls.connpass.com/ ■AI×Analytics×女子部 Facebookページ https://www.facebook.com/aiagirls/ 検索エンジンで「AI 女子部」で検索すると 上位に出てきます!
5.
人工知能と機械学習、ディープラーニングの違い 人工知能、機械学習、ディープラーニング(深層学習)はどれも違う技術とい うわけではなく、下記の図のような構造で表すことができます。 人工知能(AI) ディープラーニング(DL) ニューラルネットワーク(NN) 機械学習(ML) 4
6.
ディープラーニングとは 5 入力層 隠れ層 (中間層) 出力層 入力層 隠れ層 (中間層) 隠れ層 (中間層) 出力層 3層 4層 ニューラルネットワークの隠れ層の数を2以上にし、 4層以上のニューラルネットワーク(=ディープニューラルネットワーク)を 深層学習またはディープラーニングと呼びます。
7.
Google Colaboratoryのご紹介 6 Google Colaboratoryは、Googleが提供しているサービスで、 Googleアカウントを持っていれば、誰でも簡単に
機械学習やディープラーニングを 始めることができます。 便利な点 • 環境構築が必要ない • GPUマシンが無料で使える! • Jupyter Notebookと 同じような操作性 デメリット • 連続で12時間までしか使えない • データの読み込み方が少し特殊
8.
MNIST 7 MNISTとは、0から9までの70,000個の手書き数字の画像から構成されており、 画像分類問題において非常に人気の高いデータセット。 手書き画像を用いて 0〜9を予測します
9.
数値データと画像データ 8 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,30,181,222,72,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,57,203,253,253,135,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,24,253,254,253,253, 69,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,38,187,254,254,254,205,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,193,232,206,186,253,154,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,3,91,237,240,92,43,254,232,25,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,17,140,253,228,73,0,93,254,223,17,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,95,245,254,254,68, 0,41,229,254,186,38,26,70,70,70,70,0,0,00,0,0,0,0,0,9,55,206,254,253,253,219,139,138,224,253,254,253,243,239,254,253,253,185,0,0,0,0,0,0,0,0,100,216,253,2 53,254,253,253,253,254,253,253,253,254,232,230,230,205,137,96,13,0,0,00,0,0,0,0,229,253,253,253,254,253,244,160,161,245,253,219,69,6,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,26,176,184,151,68,0,0,0,19,170,254,203,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,87,253,248,56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,9,203,253 ,145,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,9,151,254,185,13,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,32,204,255,124,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0, 0,0,0,0,132,253,199,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,46,137,84,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
10.
9 Google Colaboratoryを使って MNISTデータを ①数値データにして分類 ②画像データにして分類 をやってみました
11.
10 MNISTデータを ①数値データにして分類した場合 ②画像データにして分類した場合
12.
①全結合ニューラルネットワーク 11 今回は4層のニューラルネットワークを用意しました。 入 力 層 ド ロ ッ プ ア ウ ト ド ロ ッ プ ア ウ ト 活 性 化 関 数 出 力 層 正解データ 𝑦’ 損失関数 (交差クロスエントロピー
他) 最適化手法 (勾配降下法 他) 全 結 合 層 全 結 合 層 入力層 隠れ層 (中間層) 隠れ層 (中間層) 出力層 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,181,222,72,0,0,0,0,0,0,00,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,3,57,203,253,253,135,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,24,253,254,253,253,69,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0, 38,187,254,254,254,205,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,193,232 ,206,186,253,154,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,91,237,240,92,43,2 54,232,25,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,17,140,253,228,73,0,93,254,22 3,17,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,95,245,254,254,68,0,41,229,254,186,3 8,26,70,70,70,70,0,0,00,0,0,0,0,0,9,55,206,254,253,253,219,139,138,224,2 53,254,253,243,239,254,253,253,185,0,0,0,0,0,0,0,0,100,216,253,253,254, 253,253,253,254,253,253,253,254,232,230,230,205,137,96,13,0,0,00,0,0,0, 0,229,253,253,253,254,253,244,160,161,245,253,219,69,6,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,26,176,184,151,68,0,0,0,19,170,254,203,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,87,253,248,56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,9,203,253,145,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,9,151,254,185 ,13,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,32,204,255,124,0,0,0,0,0,0,0 ,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,132,253,199,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,46,137,84,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
13.
12 MNISTデータを ①数値データにして分類した場合 ②画像データにして分類した場合
14.
②畳み込みニューラルネットワーク(CNN) 13 畳 み 込 み 層 プ ー リ ン グ 層 畳 み 込 み 層 プ ー リ ン グ 層 ド ロ ッ プ ア ウ ト 全 結 合 層 活 性 化 関 数 畳 み 込 み 層 プ ー リ ン グ 層 入 力 層 出 力 層 畳 み 込 み 層 プ ー リ ン グ 層 正解データ 𝑦’ 損失関数 (交差クロスエントロピー
他) 最適化手法 (勾配降下法 他) CNNは基本的に畳み込み層とプーリング層から成り立っているニューラルネット ワークです。 Convolutional Neural Network 28ピクセル × 28ピクセル × 1チャンネル
15.
データセットの説明 14 教師データ 49,500件 テストデータ 10,000件 検証データ 10,500件 モデル作成に利用 約80% 約20% 学習を繰り返す中で 各学習の評価に利用 最後の汎化性能の 確認に利用
16.
学習曲線「Accuracy」 15 ①数値データにして分類した場合 ②画像データにして分類した場合
17.
学習曲線「Loss」 16 ①数値データにして分類した場合 ②画像データにして分類した場合
18.
テストデータによる評価結果 17 ①数値データにして分類した場合 Test loss: 0.1611 Test
accuracy: 0.9529 ②画像データにして分類した場合 Test loss: 0.0364 Test accuracy: 0.9888
19.
今回学んだこと 18 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,30,181,222,72,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,3,57,203,253,253,135,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,24,253,254,253,253, 69,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,38,187,254,254,254,205,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,30,193,232,206,186,253,154,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,3,91,237,240,92,43,254,232,25,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,17,140,253,228,73,0,93,254,223,17,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,95,245,254,254,68, 0,41,229,254,186,38,26,70,70,70,70,0,0,00,0,0,0,0,0,9,55,206,254,253,253,219,139,138,224,253,254,253,243,239,254,253,253,185,0,0,0,0,0,0,0,0,100,216,253,2 53,254,253,253,253,254,253,253,253,254,232,230,230,205,137,96,13,0,0,00,0,0,0,0,229,253,253,253,254,253,244,160,161,245,253,219,69,6,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,26,176,184,151,68,0,0,0,19,170,254,203,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,87,253,248,56,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,9,203,253 ,145,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,9,151,254,185,13,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,32,204,255,124,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0, 0,0,0,0,132,253,199,11,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,46,137,84,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,00,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
20.
ディープラーニングの欠点 19 • 汎化能力はそんなに高くない 一を聞いて十を知ることはできない • 学習していないものに対しては弱い
21.
ご清聴いただきありがとうございました!
Download now